El modelo de 8,000 millones de parámetros puede recibir una instrucción en lenguaje natural y guiar a un robot por oficinas, edificios o espacios comerciales sin usar LiDAR, sensores de profundidad ni múltiples cámaras.
Mistral AI presentó RoboStral Navigate, su primer modelo diseñado específicamente para navegación robótica. La idea es sencilla, pero técnicamente ambiciosa: que un robot pueda recibir una instrucción en lenguaje natural, mirar su entorno con una sola cámara RGB y desplazarse hasta cumplir la tarea. Por ejemplo: salir de un lobby, recorrer un pasillo, entrar a una sala de suministros y detenerse frente a un estante específico.
A diferencia de otros sistemas de navegación que dependen de LiDAR, sensores de profundidad o varias cámaras, RoboStral Navigate opera con una cámara común. Según Mistral, el modelo alcanzó una tasa de éxito de 76.6% en la prueba validation unseen de R2R-CE, un benchmark usado para evaluar navegación guiada por lenguaje en entornos que el sistema no vio durante el entrenamiento. La compañía afirma que ese resultado supera por 9.7 puntos al mejor enfoque de una sola cámara y por 4.5 puntos al mejor sistema con profundidad o múltiples cámaras.
El punto relevante no es solo que el robot “vea”, sino que pueda convertir una instrucción humana en una ruta física. En robótica, esto pertenece al campo de la navegación visión-lenguaje, donde un agente debe moverse por un entorno siguiendo instrucciones verbales o escritas. R2R-CE forma parte de ese tipo de pruebas: adapta tareas de navegación habitación a habitación a entornos continuos, donde el agente no solo elige puntos predefinidos, sino que debe desplazarse de forma más parecida a un robot real.
Mistral explica que RoboStral Navigate funciona mediante una técnica de navegación por señalamiento. El modelo observa la imagen de la cámara y predice hacia qué punto de la escena debe moverse el robot, junto con la orientación que debería tomar al llegar. Si el objetivo no está dentro del campo de visión, el sistema puede recurrir a instrucciones de desplazamiento en coordenadas locales, como avanzar cierta distancia, moverse hacia un lado o girar algunos grados.
El modelo tiene 8B parámetros y fue construido internamente por Mistral, sin apoyarse en modelos visión-lenguaje abiertos ya existentes. La empresa afirma que entrenó el sistema completamente en simulación, con cerca de 400,000 trayectorias en 6,000 escenas. También utilizó una técnica de entrenamiento más eficiente basada en prefix-caching, con la que, según la compañía, redujo 22 veces el número de tokens necesarios para entrenar episodios completos.
Después del entrenamiento supervisado, Mistral aplicó aprendizaje por refuerzo en línea para que el modelo aprendiera por prueba y error. Según la empresa, esa fase mejoró la tasa de éxito en 3.2 puntos y ayudó al sistema a recuperarse de fallos o a explorar mejor cuando la ruta no era obvia.
La promesa comercial apunta a sectores como manufactura, logística, reparto y hospitalidad. En teoría, un sistema de este tipo permitiría que robots con hardware más simple puedan moverse en edificios, almacenes, oficinas o espacios comerciales sin depender de mapas rígidos o sensores costosos. Mistral asegura que RoboStral Navigate puede operar en robots con ruedas, robots con patas y drones, además de generalizar entre distintos tamaños de robot.
El anuncio llega en un momento en que la robótica se está convirtiendo en una de las siguientes fronteras de la IA generativa. Google DeepMind ha presentado Gemini Robotics para llevar modelos visión-lenguaje-acción al mundo físico, mientras Nvidia impulsa Isaac GR00T como una plataforma de modelos fundacionales para humanoides y entrenamiento en simulación.
Pero hay que leer el anuncio con cautela. RoboStral Navigate no es, por ahora, un robot generalista capaz de hacer cualquier tarea física. Es un modelo especializado en navegación. Tampoco equivale a una prueba definitiva de desempeño en todos los entornos reales: Mistral reporta resultados en benchmark y demostraciones propias, mientras que el entrenamiento principal ocurrió en simulación. Además, el anuncio no incluye pesos abiertos, repositorio público o artículo técnico completo; la página dirige a los interesados a contactar al equipo de Mistral.
Aun así, el avance es interesante porque apunta a una dirección muy concreta: robots que no necesiten una infraestructura pesada para entender instrucciones espaciales. En vez de programar rutas fijas o depender de un mapa perfecto, el robot podría interpretar una orden humana, mirar su entorno y decidir hacia dónde moverse.
La imagen es casi doméstica: una máquina que no necesita que le expliquen el mundo en coordenadas, sino que puede entender algo tan cotidiano como “ve por el pasillo, entra al cuarto y detente junto al segundo estante”.
